到達目標
１．学習理論を理解し、各手法を数式及び概念図を用いて説明できる。
２．実際のデータに対して学習・識別処理を行うシステムとその理論について理解できる。
３．基本的な統計量，確率とその理論について理解できる
ルーブリック
| 理想的な到達レベルの目安 | 標準的な到達レベルの目安 | 未到達レベルの目安 |
| 評価項目1 | 基礎的な学習理論を理解し、各手法を数式及び概念図を用いて説明できる。 | 基礎的な学習理論を理解し、各手法を概念図を用いて説明できる。 | 基礎的な学習理論を理解できず、各手法を説明できない。 |
| 評価項目2 | 実際のデータに対して学習・識別処理を行うシステムを構成し、実験・考察ができる。 | 実際のデータに対して学習・識別処理を行うシステムを構成できる。 | 学習・識別処理を行うシステムを構成できない。 |
| 評価項目3 | 基本的な統計量，確率について理解し，活用できる。 | 基本的な統計量，確率について理解できる。 | 基本的な統計量，確率について理解できない。 |
学科の到達目標項目との関係
教育方法等
概要:
前半は，「人工知能」について学習する。パーセプトロン，ニューラルネットワーク，学習，誤差逆伝播法，畳み込みニューラルネットワーク，ディープラーニングについて理論とともに学習する。Pythonによるプログラミングを通して，人工知能の技術を身に付ける。
また，後半に学習する「データサイエンス」は近年注目されている技術であり，統計や機械学習とプログラミングスキルを用いて社会の様々な課題を解決する「データサイエンティスト」の需要も高まっている。Rによるプログラミングを通して，データサイエンスの基礎的な技術を身に付ける。
授業の進め方・方法:
アクティブ・ラーニング形式で実施する．
注意点:
注意点:
（1）点数配分：計2回の定期試験の平均とする。
（2）評価基準：60点以上を合格とする。
（3）再試：すべての課題を提出した学生のみ再試験を行う。60点以上を合格（60点）とする。
（4）準備学習：事前に予習を済ませておくこと。
授業の属性・履修上の区分
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
| 前期 |
| 1stQ |
| 1週 |
ガイダンス |
授業の進め方について理解する。
|
| 2週 |
パーセプトロン |
パーセプトロンの理論について理解し，演習課題を解くことができる。
|
| 3週 |
ニューラルネットワーク |
ニューラルネットワークの理論について理解し，演習課題を解くことができる。
|
| 4週 |
学習 |
ニューラルネットワークの学習理論について理解し，演習課題を解くことができる。
|
| 5週 |
誤差逆伝播法 |
誤差逆伝播法の理論について理解し，演習課題を解くことができる。
|
| 6週 |
畳み込みニューラルネットワーク |
畳み込みニューラルネットワークの理論について理解し，演習課題を解くことができる。
|
| 7週 |
ディープラーニング |
ディープラーニングの理論ついて理解し，演習課題を解くことができる。
|
| 8週 |
ディープラーニング |
ディープラーニングの理論ついて理解し，演習課題を解くことができる。
|
| 2ndQ |
| 9週 |
基礎的な統計量の算出 |
統計量算出の理論について理解し，演習課題を解くことができる。
|
| 10週 |
基礎的な統計量の算出２ |
統計量算出の理論について理解し，演習課題を解くことができる。
|
| 11週 |
単回帰分析 |
単回帰分析の理論について理解し，演習課題を解くことができる。
|
| 12週 |
重回帰分析 |
重回帰分析の理論について理解し，演習課題を解くことができる。
|
| 13週 |
検定１ |
検定の理論について理解し，演習課題を解くことができる。
|
| 14週 |
検定２ |
検定の理論について理解し，演習課題を解くことができる。
|
| 15週 |
検定３ |
検定の理論について理解し，演習課題を解くことができる。
|
| 16週 |
|
|
モデルコアカリキュラムの学習内容と到達目標
| 分類 | 分野 | 学習内容 | 学習内容の到達目標 | 到達レベル | 授業週 |
評価割合
| 試験 | 発表 | 相互評価 | 態度 | ポートフォリオ | その他 | 合計 |
| 総合評価割合 | 100 | 0 | 0 | 0 | 0 | 0 | 100 |
| 基礎的能力 | 100 | 0 | 0 | 0 | 0 | 0 | 100 |
| 専門的能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 分野横断的能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |